생성 AI는 인터넷에 축적된 글과 이미지 덕분에 빠르게 발전했습니다. 그러나 로봇 AI는 같은 방식으로 성장하기 어렵습니다. 접시를 집고, 옷을 접고, 상자를 펴는 행동은 단순한 영상이 아니라 힘, 위치, 센서값, 실패와 재시도까지 포함한 물리적 경험을 필요로 하기 때문입니다.
이 지점에서 XDOF의 의미가 드러납니다. XDOF는 스스로를 “로보틱스 인프라 기업”이라고 소개합니다. 목표는 물리적 지능을 더 풍부하고 유용하게 만드는 것입니다.1 즉, XDOF가 다루는 핵심은 로봇 자체보다 로봇이 배울 수 있는 데이터 기반입니다.
XDOF는 로봇이 아니라 학습 인프라에 집중한다
XDOF의 역할은 로봇 학습용 데이터를 모으고, 정리하고, 실제 모델 훈련에 쓸 수 있는 형태로 만드는 일입니다. 이는 단순히 카메라로 작업 영상을 많이 촬영하는 것과 다릅니다. 로봇 팔의 움직임, 센서 정보, 작업 결과, 실패 사례를 함께 기록하고 구조화해야 합니다.
이 과정은 화려한 데모와 거리가 멉니다. 장비를 맞추고, 로봇을 보정하고, 사람이 원격으로 조작하며 반복적으로 데이터를 쌓아야 합니다. 하지만 바로 그 반복적인 작업이 로봇 AI의 병목입니다. 연구소나 로보틱스 기업 입장에서는 모든 데이터 수집 체계를 직접 구축하기보다, 이를 전문적으로 처리하는 인프라 기업과 협력할 유인이 생깁니다.
XDOF가 주요 로보틱스 연구소 및 로보틱스 기업과 협력한다고 밝힌 점도 이 맥락에서 이해할 수 있습니다.1 로봇 AI 경쟁의 초점이 “누가 더 큰 모델을 만들었는가”에서 “누가 더 쓸모 있는 물리 세계 데이터를 확보했는가”로 넓어지고 있는 것입니다.
왜 지금 로봇 데이터 인프라가 중요해졌나
로봇은 언어 모델처럼 웹에서 쉽게 데이터를 긁어 모을 수 없습니다. 실제 공간에서 물체를 다루고, 예상치 못한 상황을 만나고, 실패를 통해 다시 시도하는 과정이 필요합니다. 따라서 데이터 수집은 비용이 많이 들고 느리며, 표준화하기도 어렵습니다.
XDOF에 대한 투자는 이 문제가 하나의 산업 영역으로 커지고 있음을 보여줍니다. XDOF는 Thrive Capital, Spark Capital, a16z, Lux, WndrCo 등으로부터 7천만 달러를 조달했습니다.2 약 60명 규모의 신생 기업이라는 점을 고려하면, 시장이 로봇 데이터 인프라를 중요한 기반으로 보고 있다는 신호입니다.2
XDOF와 UC Berkeley AI Research Lab의 ABC 데이터셋도 같은 흐름을 보여줍니다. 이 데이터셋은 로봇 조작 데이터 13만 개 trajectory, 시뮬레이션 300시간, 평가 100시간을 포함합니다.2 로봇 분야에서도 대규모 사전학습과 평가를 위한 데이터 체계가 점점 중요해지고 있다는 뜻입니다.
데모보다 데이터 파이프라인을 봐야 한다
로봇 AI를 평가할 때 멋진 시연 영상만 보는 것은 부족합니다. 실제 경쟁력은 그 뒤에 있는 데이터 파이프라인에서 나올 가능성이 큽니다.
확인해야 할 질문은 분명합니다.
어떤 센서와 장비로 데이터를 수집했는가
실제 로봇과 실제 환경에서 얻은 데이터인가
성공 사례뿐 아니라 실패와 예외 상황도 포함하는가
수집된 데이터가 모델 학습과 평가에 쓸 수 있도록 구조화되어 있는가
반복적으로 더 많은 작업과 환경을 확장할 수 있는 체계인가
XDOF의 사례가 주는 교훈은 간단합니다. 앞으로 로봇 경쟁력은 하드웨어나 모델 크기만으로 결정되지 않습니다. 물리 세계에서 발생하는 복잡하고 반복적인 데이터를 얼마나 안정적으로 수집하고, 정리하고, 학습 가능한 형태로 바꾸는지가 핵심이 됩니다.
결국 로봇 AI의 속도는 가장 화려한 데모가 아니라 가장 견고한 데이터 인프라가 결정할 가능성이 큽니다.
참고
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.